SUITES OPERATOIRE

A pesquisa foi realizada com um total de 406 respondentes, em um questionário com 71 itens sobre o objeto de estudo, divididos em 5 constructos („valor‟, „comprometimento‟, „recompensa‟, „motivação‟ e „desempenho‟). Os 406 respondentes foram coletados em três países Brasil (82), Estados Unidos (97) e México (227), sendo que 27 respondentes – 6 do México, 18 dos Estados Unidos e 3 do Brasil –, apresentaram mais de 10% de respostas em branco ou que não se aplicava. Para os 379 respondentes válidos, considerando os 71 itens sobre o objeto do estudo, ocorreram 391 respostas em branco ou „não se aplica‟, totalizando (1,4%) do total de respostas 27.051. Esses dados perdidos foram

tratados com a imputação pela média da variável, por ser um dos métodos mais adequados e amplamente empregados (HAIR et al., 2009).

Para descrever as variáveis relacionadas ao perfil dos entrevistados, foram calculadas as frequências absolutas e relativas para as variáveis qualitativas, enquanto que para as variáveis quantitativas, foi calculada a média e o desvio-padrão. Para apresentar e comparar os itens e os indicadores de cada constructo foram utilizados a média e o intervalo percentílico Bootstrap de 95% de confiança. O método Bootstrap (EFRON; TIBSHIRANI, 1993) é muito utilizado na realização de inferências quando não se conhece a distribuição de probabilidade da variável de interesse.

Os constructos „valor‟, „comprometimento‟, „recompensas‟ e „desempenho‟ são constructos de segunda ordem, ou seja, não são formados diretamente pelos itens (perguntas), mas por outras variáveis latentes (indicadores). Para tratar essa característica da estrutura de mensuração, foi utilizada a abordagem “Two-Step” (SANCHEZ, 2013). Dessa forma, primeiramente foram computados os escores das variáveis latentes de primeira ordem, utilizando a Análise Fatorial com o método de extração das componentes principais (MINGOTI, 2007).

Para analisar a qualidade e validade dos constructos de primeira ordem, foi verificada a dimensionalidade, confiabilidade e validade convergente. Para verificar a validade convergente foi utilizado o critério proposto por (FORNEL; LARCKHER, 1981). Ele garante tal validade, caso a Variância Média Extraída (AVE), que indica o percentual médio de variância compartilhada entre o constructo latente e seus itens, seja superior a 50% (HENSELER et al., 2009), ou 40% no caso de pesquisas exploratórias (NUNNALY; BERNSTEIN, 1994). Para mensurar a confiabilidade, foi utilizado o Alfa de Cronbach (AC) e a Dillon-Goldstein's (DG). De acordo com (TENENHAUS. et al., 2005), os indicadores AC e DG devem ser maiores que 0,70 para uma indicação de confiabilidade do constructo, sendo que em pesquisas exploratórias, valores acima de 0,60 também são aceitos. Para verificar a dimensionalidade dos constructos, foi utilizado o critério de Kaiser (MINGOTI, 2007), que retorna ao número de fatores, os quais devem ser retidos na Análise Fatorial Exploratória.

Com as variáveis latentes de primeira ordem computadas, foi ajustado o modelo de equações estruturais utilizando a abordagem PLS. A abordagem PLS (Partial Least Square) para Modelagem de Equações Estruturais oferece uma alternativa à abordagem tradicional baseada na covariância (CBSEM). A abordagem PLS tem sido referida como uma técnica de modelagem suave com o mínimo de demanda, considerando as escalas de medidas, o tamanho amostral e as distribuições residuais (MONECKE; LEISCH, 2012). Em nosso

estudo, a utilização do método tradicional (CBSEM) inviabiliza uma análise multigrupo, devido ao pequeno tamanho da amostra em alguns grupos de interesse.

O modelo de equações estruturais divide-se em duas partes: Modelo de Mensuração e Modelo Estrutural. Para verificar a validade do Modelo de Mensuração, ou seja, da capacidade do conjunto de indicadores de cada constructo representar com precisão seu respectivo conceito, foram avaliadas as validades convergente e discriminante. O critério da avaliação convergente avalia o grau em que duas medidas do mesmo conceito estão correlacionadas, enquanto a avaliação discriminante mede o grau em que um constructo é verdadeiramente diferente dos demais (HAIR et al., 2009). Para verificar a validade convergente e discriminante foi utilizado novamente o critério proposto por (FORNEL; LARCKHER, 1981). Para mensurar a confiabilidade dos constructos foi utilizado novamente o Alfa de Cronbach (AC) e a Dillon-Goldstein's (DG).

Após os testes de validade do Modelo de Mensuração, foi avaliado o Modelo Estrutural, possibilitando realizar a validação nomológica do modelo, verificando-se, assim, a existência de influência do valor e recompensa sobre a motivação, da recompensa e motivação sobre o comprometimento e do desempenho sobre a recompensa.

O método Bootstrap foi utilizado para calcular os intervalos de confiança para os pesos do Modelo de Mensuração e dos coeficientes do Modelo Estrutural, fornecendo importantes informações sobre a variabilidade dos parâmetros estimados, provendo, assim, uma importante validação dos resultados.

Para verificar a qualidade dos ajustes foram utilizados o R2 e o GoF (AMATO et al., 2004). O R2 representa, em uma escala de 0% a 100%, o quanto os constructos independentes explicam os dependentes, indicando que quanto mais próximo de 100%, melhor. Já o GoF é uma média geométrica da média das AVEs dos constructos e a média dos R² do modelo, e também varia de 0% a 100%. Ainda não existe na literatura valores de corte para considerar um ajuste como bom ou ruim, mas sabe-se que quanto maior o valor, melhor o ajuste.

O Modelo de Mensuração e o Modelo Estrutural foram ajustados nos diferentes países, a fim de estudar a equivalência métrica e a equivalência nas estruturas da regressão.

Após a análise de equações estruturais, foram criados grupos a partir da similaridade das respostas sobre o constructo de valores. Para realizar o agrupamento, foi utilizada uma Análise Hierárquica de Agrupamento via método de Ward (1963), utilizando a distância euclidiana. Os grupos encontrados foram relacionados com os países das empresas dos respondentes, a partir de uma Análise de Correspondência.

Vale ressaltar que segundo Hair et al. (2013), a dimensão da amostra „é direcionada de acordo com os seguintes fatores para a modelagem de equações estruturais: (1) o nível de significância; (2) o poder estatístico; (3) o coeficiente de determinação (mínimo de valores de R2) usado no modelo, e, por fim, (4) o número máximo de setas apontando para uma variável latente. Usando tais parâmetros, Marcoulides e Sauders (2006) sugeriram o menor dimensionamento de uma amostra através do número de setas apontadas para uma variável latente; seguindo tais recomendações, a amostra deste estudo tornasse válida, por se tratar de uma amostra maior que 75 respondentes. Por fim, para Modelagem de Equações Estruturais via método PLS, foi utilizada função plspm() do pacoteplspmdo software R (versão 3.0.3).

3.4.1 Análise de dados faltantes e outliers

Foi realizada também uma a avaliação dos outliers, que são observações que apresentam um padrão de resposta diferente daquele das demais. Podemos classificar de acordo (HAIR et al., 2009) quatro tipos de outliers: (1) erros na tabulação dos dados ou falhas na codificação; (2) observações decorrentes de algum evento extraordinário; (3) observações extraordinárias para as quais o pesquisador não tem uma explicação; e (4) observações que estão no intervalo usual de valores para cada variável, mas são únicas em sua combinação de valores entre as variáveis.

Não foram encontrados valores fora do intervalo da escala de sua respectiva variável, não evidenciando o tipo de outlier relacionado a erro na tabulação dos dados. Além disso, buscou-se verificar a existência de outliers univariados, que consiste na verificação de alguma resposta divergente com base em cada uma das variáveis do modelo, e os multivariados, que apresentam um padrão de resposta diferente, considerando todas as variáveis ao mesmo tempo. Os outliers univariados foram diagnosticados por meio da padronização dos resultados, de forma que a média da variável fosse 0 e o desvio padrão 1. Para tanto, observações com escores padronizados fora do intervalo de |3,29| foram consideradas outliers (HAIR, et al., 2009). Foram encontradas 130 observações com escores fora da faixa de -3,29 a 3,29, distribuídas em 22 perguntas diferentes. A pergunta com o maior número de outliers foi a “Mot-3” com 9 casos.

Já os outliers multivariados foram diagnosticados com base na medida D² de Mahalanobis. De acordo com Hair et al. (2009), tal medida verifica a posição de cada

observação, comparada com o centro de todas as observações em um conjunto de variáveis, sendo que, ao final, é realizado um teste qui-quadrado. Os indivíduos que apresentaram uma significância da medida inferior a 0,001 foram considerados outliers multivariados. Com base nesse método, de forma multivariada foram encontradas 9 observações atípicas.

Por acreditar-se que as observações sejam casos válidos da população e que, caso fossem eliminadas, poderiam limitar a generalidade da análise multivariada, apesar de, possivelmente, melhorar seus resultados (HAIR et. al., 2009), optou-se por não excluir nenhum dos casos.

3.4.2 Normalidade e linearidade

Por definição, o conjunto de dados não apresentaram distribuição normal univariada e nem mesmo multivariada, uma vez que estão limitados em uma escala discreta e finita. Os indicadores para representar cada constructo, após utilizar o teste de Shapiro, também não apresentaram distribuição normal. A abordagem PLS (Partial Least Square) (ESPOSITO et al., 2010) que oferece uma alternativa à abordagem tradicional baseada (CBSEM) não exige suposições de normalidade dos resíduos. Mesmo utilizando o método tradicional (CBSEM), existem diversos estimadores robustos para desvios de normalidade. Sendo assim, a ausência de normalidade dos dados, deixou de ser um grande problema, para quando se trabalha com Equações Estruturais.

Para verificar a linearidade dos dados, inicialmente foram analisadas as correlações das variáveis par a par, uma vez que um coeficiente de correlação significativo ao nível de 5% é indicativo da existência de linearidade. Por intermédio da matriz de correlação de Spearman (HOLLANDER; WOLFER; 1999), foram observadas 1.565 de 2.145 relações significativas ao nível de 5%, o que representa aproximadamente 72,9% das correlações possíveis.

Além disso, foi realizado o teste de Bartlett (MINGOTI, 207) para verificar a linearidade em cada constructo. Para todos os constructos foram observados valores-p menores que 0,001, indicando que existem evidências significativas de linearidade dentro dos constructos.